Menu
Wat is AI en diep leren?
MV.MINDNET – Deep learning-platform van MABRI.VISION
Wat betekent kunstmatige intelligentie?
De term kunstmatige intelligentie (AI) of AI (kunstmatige intelligentie) is niet duidelijk gedefinieerd.
Een definitie faalt simpelweg omdat het begrip intelligentie niet duidelijk is. De term kunstmatige intelligentie (AI) is ontstaan in de jaren vijftig en is daarom historisch gevormd en onderhevig aan vele invloeden.
De term weerspiegelt de visie en het "grote plaatje". De AI raakt meerdere technische en wetenschappelijke disciplines en wordt (ook door ons) vaak gebruikt als pakkende marketingterm. Als mensen het hebben over AI in meettechnologie of beeldverwerking, bedoelen ze meestal machine learning (ML, machine learning) of "deep learning" (DL, deep learning).
De termen bouwen als volgt op elkaar voort. Kunstmatige intelligentie (AI) → Machine Learning (ML) → Deep Learning (DL)
Historische cursus
Hoewel kunstmatige intelligentie vaak als een trend wordt omschreven, is het geenszins een nieuw fenomeen. Al in de jaren vijftig deelden wetenschappers de overtuiging dat het denkproces niet beperkt is tot het menselijk brein. Nadat het onderzoek naar dit onderwerp vastliep, vooral in de jaren tachtig, gaven technologiebedrijven als Google het gebied in de jaren 2000 een nieuwe impuls. Tegenwoordig is kunstmatige intelligentie een integraal onderdeel van ons dagelijks leven.
Wat betekent machinaal leren (ML)?
Bij beeldverwerking zijn er in principe twee verschillende manieren om een probleem te verwerken:
Op regels gebaseerd programmeren
- Handmatig regels formuleren en programmeren nadat de resultaten zijn berekend of gedefinieerd
Machinaal leren
- Een model trainen met gegevens
- Onafhankelijk leren van patronen uit de data
- Uitkomstvariabelen classificeren of schatten
Welke aanpak beter is, hangt af van de toepassing en moet zorgvuldig worden beoordeeld of systematisch worden bepaald. Op regels gebaseerde benaderingen, vooral in de meettechnologie en beeldverwerking, zijn zeer geschikt om beslissingen te nemen op basis van duidelijke meetkarakteristieken en regels. Als de regels niet bekend zijn of alleen met veel moeite systematisch uit afbeeldingen kunnen worden gehaald, kan een machine learning-methode een betere aanpak zijn. Machine learning-methoden worden doorgaans gebruikt bij beeldverwerking voor moeilijke segmentatietaken, bij tekenherkenning (OCR / OCV), patroon- en anomalieherkenning, object- en beeldherkenning en beeldclassificatie. In moderne toepassingen worden beide benaderingen meestal verstandig gecombineerd.
Machine learning (ML) leermethoden
Grofweg en simpel gezegd zijn er 3 verschillende leermethoden voor machine learning.
Diep leren versus machinaal leren
Moderne AI-toepassingen zijn vrijwel uitsluitend gebaseerd op diepe kunstmatige neurale netwerken (ANN). Het bijzondere aan de netwerken is dat ze ook complexe taken kunnen uitvoeren en dat handmatige feature-extractie volledig kan worden geëlimineerd. Een ANN is daardoor in staat zelfstandig complexe taken uit te voeren.
- Deep learning is een tak van machinaal leren
- DL-methoden zijn gebaseerd op kunstmatige neurale netwerken met verschillende tussenlagen
Kunstmatige neurale netwerken (ANN)
Deep learning-methoden zijn gebaseerd op kunstmatige neurale netwerken.
Deze netwerken zijn geïnspireerd op de (biologische) neurale netwerken, oftewel een onderdeel van een zenuwstelsel. Kunstmatige neurale netwerken zijn in lagen opgebouwd. Een laag of niveau bestaat uit meerdere kunstmatige neuronen. Er zijn verschillende verborgen niveaus tussen een ingangs- en een uitgangsniveau. De structuur krijgt de naam "diep" neuraal netwerk vanwege deze verborgen niveaus.
Convolutionele neurale netwerken (CNN)
Bij beeldverwerking worden vooral zogenaamde ‘convolutionele neurale netwerken’ (CNN) gebruikt. Deze netwerken, geïnspireerd door de visuele cortex, bestaan uit meerdere feature maps. Deze kenmerkkaarten komen overeen met de lagen van een kunstmatig neuraal netwerk en worden gegenereerd door convolutie. De convolutie-operatoren produceren verschillende kenmerken/kenmerken, zoals randen. Bij beeldverwerking zou een CNN kenmerken moeten kunnen generaliseren en deze op steeds hogere abstractieniveaus moeten weergeven.
Bron: LeCun, Yann, et al. “Gradient-based learning toegepast op documentherkenning.” Procedures van de IEEE 86.11 (1998): 2278-2324
Bron: Lee, Honglak, et al. "Onbewaakt leren van hiërarchische representaties met convolutionele diepe geloofsnetwerken." Mededelingen van de ACM 54.10 (2011): 95-103.
MV.MINDNET, het deep learning platform van MABRI.VISION, combineert de nieuwste technologie en praktijkgerichte oplossingen.
Waarom MABRI.VISION
MABRI.VISION bouwt en ontwikkelt hoogwaardige machine vision-oplossingen en modulaire testsystemen voor uw productieprocessen. Dankzij ons modulaire systeem zijn wij in staat snel en efficiënt oplossingen te bieden voor uw testtaken.
Innovatieve oplossingen, onze passie!
Innovatieve oplossingen, onze passie!
Innovatie is de basis voor voortdurende groei in de moderne industrie. We beleven dit elke dag en begint in de hoofden van ons team van experts. De focus ligt altijd op de voordelen en eisen van onze klanten. We implementeren met passie testprocessen die variëren van op AI gebaseerde computer vision-oplossingen tot 100% inline componentmeting van geavanceerde producten. Voor onze meettechnologie vertrouwen wij op de nieuwste generaties geavanceerde technologieën. Met deze filosofie willen wij productieprocessen efficiënter en dynamischer maken.
AI, verwerking, controle - één softwareplatform
AI, verwerking, controle - één softwareplatform
Met de doelstellingen van Industrie 4.0 en een continu verbeteringsproces worden de eisen aan testautomatisering, interfaces en efficiënte evaluatiealgoritmen steeds hoger. Wij bij MABRI.VISION hebben deze trend onderkend en gaan nog een stap verder. Ons softwareteam ontwikkelt modulaire softwareplatforms die alle componenten van moderne testsystemen combineren. Indien nodig kunnen we evaluatie-algoritmen uitbreiden met neurale netwerken, snelle interfaces met systeemcontroles in kaart brengen en indien nodig audit trails, batchrapporten, geschiedenisgrafieken of databases integreren.
Een sterk team, dat altijd voor u klaar staat.
Een sterk team, dat altijd voor u klaar staat.
Als klant staat u bij ons altijd voorop. Ons team van visie-experts, bouw, softwareontwikkeling, elektro, montage en support staat altijd voor u klaar. Dankzij moderne bedrijfsprocessen en IT-oplossingen staat snelheid centraal. Met onze serviceoplossingen inclusief 24/7 ondersteuning ondersteunen wij uw productie met efficiënte oplossingen.
End-to-end oplossingen, alles uit één bron.
End-to-end oplossingen, alles uit één bron.
U denkt in processen, wij denken in oplossingen: daarom bieden wij onze klanten kant-en-klare testsystemen aan die naadloos geïntegreerd kunnen worden in uw productieprocessen. Onze experts adviseren bij de start van een project over de planning en het ontwerp. Als technologieën moeten worden geëvalueerd, voeren we haalbaarheidsstudies en inline-testen uit. Bij MABRI.VISION bieden wij systeemontwerp, programmering en automatisering vanuit één bron. Complexe evaluaties en tests kunnen wij direct optimaliseren met de systeembesturing en alle klantinterfaces.
Contact.
Heeft u meer informatie nodig over een specifieke productgroep of heeft u een specifieke productaanvraag? Gebruik ons contactformulier of bel ons.
- MABRI.VISION GmbH Philipsstrae 8 52068 Aken
- +49 241 5652 7930
- info@mabri.vision
